Любая большая IT-инфраструктура рано или поздно даёт сбой — наткнулись на интересный разбор на Хабре про крупный инцидент в Yandex Cloud.

Там всё началось с падения одного сетевого контроллера, но из-за наложения багов, миграций и перегрузки очередей цепочка быстро разрослась до проблем сразу в нескольких зонах.

Главный вывод: большие сервисы падают не из-за одной «фатальной ошибки», а из-за совпадения множества факторов. Поэтому инженеры в таких системах думают не о том, как исключить сбои вообще, а как быстро их локализовать 👍